Hierarchical temporal transformer for cancer grade prediction and cross cancer transfer learning from pathology reports
تقدم هذه الورقة نموذج المحول الزمني الهرمي (HTT)، وهو بنية ذات مستويين تستفيد من تقارير الأمراض الطولية وتضمينات أنواع السرطان لتحقيق أفضل النتائج في التنبؤ بدرجة السرطان، وتُظهر قدرة فعالة على التعلم بنقل المعرفة إلى أنواع سرطان غير مرئية دون أي تراجع في الأداء.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
تنتج المستشفيات تدفقاً مستمراً من السجلات المكتوبة. فعندما يزور المريض الطبيب، يدون الطبيب ما يراه، وما يشتبه به، وكيف تغيرت حالة المريض منذ الزيارة الأخيرة. وعلى مدى عقود، عانت الحواسيب في قراءة هذه الملاحظات بطريقة تساعد الأطباء على اتخاذ القرارات. فمعظم البرامج الحاسوبية التي تحلل النصوص الطبية تتعامل مع كل ملاحظة كحدث منفصل ومعزول؛ فهي تقرأ تقريراً واحداً، وتضع تخميناً، ثم تنتقل إلى التقرير التالي، متناسية تماماً القصة التي سبقت ذلك. هذا النهج يفتقد جزءاً جوهرياً من التجربة البشرية: وهو الزمن. إن صحة المريض هي رحلة وليست مجرد لقطة ثابتة؛ فالمسح الضوئي الذي يظهر تغيراً طفيفاً اليوم قد يعني شيئاً مختلفاً تماماً إذا كان المريض قد خضع لمسح مستقر قبل عامين، مقارنة بمسح أظهر نمواً سريعاً الأسبوع الماضي. علاوة على ذلك، فإن معظم النماذج الحاسوبية مُدربة لفهم نوع واحد محدد فقط من السرطان؛ فالبرنامج المصمم لقراءة تقارير سرطان الرئة غالباً ما يفشل عندما يُقدم إليه تقرير عن سرطان الغدة الدرقية، مما يضطر المستشفيات إلى بناء وصيانة عشرات الأنظمة المنفصلة والمكلفة.
لقد سعى فريق من الباحثين لإصلاح هذين المشكلتين في آن واحد. فقد طوروا نظاماً حاسوبياً جديداً صُمم لقراءة التاريخ الكامل لزيارات المريض، مع إيلاء اهتمام دقيق للأيام والشهور الفعلية الفاصلة بين المواعيد. كما أرادوا معرفة ما إذا كان بإمكان هذا النظام تعلم اللغة العامة لشدة المرض لدرجة تمكنه من فهم أنواع السرطان التي لم يسبق له رؤيتها من قبل. ولاختبار ذلك، أنشأوا تجربة مكونة من جزئين: أولاً، بنوا عالماً محاكياً للتقارير الطبية حيث يمكنهم التحكم في القصة بدقة، لضمان اضطرار الحاسوب لاستخدام الجدول الزمني للوصക്ക് إلى الإجابة الصحيحة. ثانياً، غدّوا النظام بآلاف تقارير علم الأمراض الحقيقية من قاعدة بيانات عامة، وطلبوا منه تقييم شدة الأورام في أنواع من السرطان كانت مخفية تماماً عن تدريبه.
يعمل النظام الذي بنوه عبر مرحلتين متمايزتين، تماماً مثل الإنسان أثناء قراءة ملف. المرحلة الأولى تقرأ كل تقرير على حدٍ، وتحول الكلمات إلى ملخص مكثف لما تعنيه تلك الزيارة المحددة. أما المرحلة الثانية، فتنظر في تسلسل هذه الملخصات لمريض واحد؛ فهي لا تنظر فقط في ترتيب التقارير، بل تقيس الوقت الفعلي الذي انقضى بينها. فإذا خضع المريض لمسح ضوئي بعد ثلاثة أسابيع من الجراحة، وآخر بعد ستة أشهر، فإن النظام يدرك أن الحدث الثاني أكثر بعداً وأهمية مما لو كان المسحان قد تفصلا بفارق أسبوع واحد فقط. وهذا يسمح للحاسوب بوزن تاريخ المرض، وليس فقط الملاحظة الأخيرة. وللتعامل مع أنواع السرطان المختلفة، يستخدم النظام علامة خاصة لكل عائلة مرضية، مما يعلمه أنه بينما قد تتغير الكلمات، فإن المفهوم الأساسي لـ "العدوانية" أو "الاعتدال" يظل متشابهاً عبر أعضاء الجسم المختلفة.
عندما اختبر الباحثون هذا النظام على بياناتهم المحاكية، كانت النتائج واضحة؛ فالحاسوب الذي استطاع قراءة الجدول الزمني الكامل والفترات الزمنية بين الزيارات كان أفضل بكثير في التنبؤ بتطور المرض من الحاسوب الذي اكتفى بالنظر إلى التقرير الأخير فقط. وفي اختبار محدد حيث توجب على النظام التنبؤ بنتيجة نوع من السرطان لم يره من قبل، كان النظام المدرك للزمن أكثر دقة بكما. لقد نجح في استخدام نمط النمو الذي تعلمه من سرطانات أخرى لفهم النوع الجديد، مما يشير إلى أن القدرة على تتبع الوقت والتاريخ كانت ميزة حقيقية، وليست مجرد سمة من سمات البيانات.
انتقل الجزء الثاني من الدراسة من المحاكاة إلى الواقع، باستخدام آلاف تقارير علم الأمراض الحقيقية لمرضى يعانون من أربعة عشر نوعاً مختلفاً من السرطان. قام الباحثون بتدريب النظام على أحد عشر نوعاً، ثم أغلقوا تماماً التقارير الخاصة بالأنواع الثلاثة المتبقية، بما في ذلك سرطان الغدة الدرقية، والساركوما، ونوع معين من سرطان الرئة. وطلبوا من النظام التنبؤ بدرجة الورم، وهي مقياس لمدى عدوانية السرطان، لهذه الأنواع غير المرئية. كانت النتائج مذهلة؛ فقد أدى النظام في أنواع السرطان غير المرئية أداءً يضاهي أداءه في الأنواع التي تدرب عليها. لقد حقق درجة كاملة في سرطان الغدة الدرقية ودرجات عالية جداً في الأنواع الأخرى. أثبت هذا أن النظام لم يقم بمجرد حفظ كلمات محددة لأنواع معينة من السرطان، بل تعلم بدلاً من ذلك لغة عالمية أعمق لشدة السرطان تنطبق عبر عائلات مختلفة من الأمراض.
ثم بحث الباحثون بدقة في كيفية حدوث انتقال المعرفة هذا. ووجدوا أن القدرة على فهم أنواع السرطان الجديدة جاءت أساساً من تدريب النظام الأولي على كميات هائلة من النصوص الطبية، والتي علمته المعنى العام لكلمات مثل "عدواني" أو "ضعيف التمايز". أما الجزء من النظام المصمم لتتبع الوقت والتاريخ، فرغم قوته في فهم رحلات المرضى، لم يكن هو المحرك الرئيسي لهذا النجاح العابر لأنواع السرطان. ففي الاختبار الواقعي، حيث كان لكل مريض تقرير واحد فقط، لم يكن لمكون تتبع الوقت أي تاريخ ليحلله، ومع ذلك نجح النظام. يشير هذا إلى أن الذكاء الجوهري للتعرف على شدة السرطان كان موجوداً بالفعل في النموذج اللغوي التأسيسي، منتظراً التطبيق في مواقف جديدة.
تشير هذه النتائج إلى مسار جديد للذكاء الاصطناعي الطبي. فبدلاً من بناء حاسوب متخصص ومنفصل لكل نوع من أنواع السرطان، قد تتمكن المستشفيات في النهاية من استخدام نظام موحد واحد. هذا النظام الواحد يمكنه التعلم من السرطانات الشائعة وتطبيق ذلك المعرفة فوراً على الأنواع النادرة أو الصعبة، شريطة أن يتم التعبير عن مفهوم شدة المرض في النص. وبينما لا يزال النظام بحاجة إلى ضبط دقيق لتجنب الإنذارات الكاذبة، إلا أن الدراسة تثبت أن الحواسيب يمكنها تعلم قراءة قصة المرض عبر أجساد مختلفة وأطر زمنية مختلفة، مما يقربنا من مستقبل يمكن فيه لأداة واحدة مساعدة الأطباء في فهم التعقيد الكامل للسرطان.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.